1.一种实例异常判定方法，其特征在于，包括下述步骤：获取影响实例异常判定的N个影响因子，N为大于0的正整数；

根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；

根据所述影响因子和所述条件概率，构建初始贝叶斯网络；

接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；

将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；

将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。

2.根据权利要求1所述的实例异常判定方法，其特征在于，在所述获取影响实例异常判定的N个影响因子的步骤中还包括：获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；

根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；

将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。

3.根据权利要求1所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；

将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。

4.根据权利要求3所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；

将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。

5.根据权利要求1所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；

将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。

6.根据权利要求1所述的实例异常判定方法，其特征在于，在所述将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常的步骤之后，还包括：

从所述M个证据因子中随机删除L个证据因子，得到M‑L个证据因子,L为小于M，大于或等于0的整数；

将所述M‑L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；

计算所述修正概率和所述实例异常的概率之间的差值；

当所述差值小于预设的第三阈值时，返回所述M‑L个证据因子作为所述实例被判定为异常的解释因子。

7.根据权利要求1所述的实例异常判定方法，其特征在于，在所述接收M个证据因子，所述M个证据因子提取自待判定的实例的步骤之后，还包括：将所述M个证据因子存储至区块链中。

8.一种实例异常判定装置，其特征在于，包括：获取模块，用于获取影响实例异常判定的N个影响因子，N为大于0的正整数；

计算模块，用于根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；

构建模块，用于根据所述影响因子和所述条件概率，构建初始贝叶斯网络；

接收模块，用于接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；

处理模块，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；

判定模块，用于将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的实例异常判定方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的实例异常判定方法的步骤。